今天我们学习下随机森林做回归的用法
话不多说直接上测试代码,看的更加清晰,总体上和回归树是一样的使用流程
from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestRegressor
import sklearn
# 加载连续型数据,boston房价
boston = load_boston()
# 定义随机森林回归树
reg = RandomForestRegressor(criterion='mse', n_estimators=100, random_state=0)
print(sorted(sklearn.metrics.SCORERS.keys())) # 模型的所有的评估打分指标, neg_mean_squared_error 也在其中
# 使用交叉验证接口进行测试
scores = cross_val_score(reg, boston.data, boston.target, cv=10, scoring="neg_mean_squared_error") # scoring 默认 R平方
print(scores)
reg = reg.fit(boston.data, boston.target)
# 使用predict接口,看看预测的效果噻
print(boston.target[0:10])
res = reg.predict(boston.data)
print(res[0:10])